Ниже ещё немного понимания того, что происходит в путях кортикоспинальных и каким образом компенсация на пространство со стороны ПДС работает. В этот раз я взял простые модельки из машинного зрения. Список самой простой литературы и инструкции по установке и запуску простых моделей можно найти в интернете.

Одним из наиболее важных элементов глубокого машинного обучения является – отгадайте что? Является изначально хороший dataset, на котором нейронку и будут обучать. Качественный dataset – это уже более чем половина решения задачи по обучению нейронки. И вот тут один крайне важный и забавный концепт всего этого лечения травм неполных нижних конечностей. Если те вещи, что мы ищем для того, чтобы пациент более полноценно восстановился во всех возможных плоскостях движения, есть процесс гиперплазии и гипертрофии в мышцах (вы ведь помните, что это два фундаментальных процесса роста и функционирования мышцы), то почему, черт побери, наша медицина, что западная, что российская, использует такие хреновые датасеты? Почему она не использует опыт, что уже копился тысячелетиями и что выразился в двух крайне прямых направлениях спорта – бодибилдинге и сумо?

То есть да, безусловно, если у пациента полная травма и плегии, то шанса у него нет. Но блин, на нашей планете сейчас живёт громадное количество людей, чья двигательная система может быть значительно укреплена за счёт уже текущих знаний и что не понимают те проблемы, с которыми сталкивается ЦНС после травмы.

Сильно сложные модельки рассматривать не стану, потому что эта книга не о том, да и сами идеи многоуровневых многослойных нейросетей разного типа крайне непросты. В целом я крайне рекомендую вам, дорогой читатель, прочитать хоть пару книг на тему data science и deep machine learning.

Итак. Первым делом я хочу познакомить вас с kaggle.com. Это довольно интересный и глубокий проект касательно нейросетей и различного рода датасетов. На нём частенько проводятся соревнования и разыгрываются довольно приличные деньги.

На кагле можно прямо в поисковик вбивать название сеток, датасетов или интересующих элементов и смотреть решения схожих задач, либо же даже собирать из доступных там датасетов свой.

За примером далеко ходить не станем и выберем простенькую сетку, что могла бы, скажем, различать на фотографии позы из йоги и делала бы их классификацию. Набираем в поисковике кагла yoga poses – и вуаля, большое количество самых разнообразных датасетов и код, что без особых усилий можно копернуть да потестить.

На картинке ниже – работа Ekaterina Dranitsyna, найти её можно по ссылке вот тут: https://www.kaggle.com/code/ekaterinadranitsyna/yoga-poses. Я намеренно не буду глубоко рассматривать тут модельки, ибо, во-первых, я далеко не математик и суждения мои поверхностны, и во-вторых, я не желаю нарушать ничьи авторские права.

Копируем код, тащим его в гугл колаб – и можно экспериментировать с настройками сетки сколько угодно долго. Единственное, что запуск просчёта весов и процедура обучения нейронки – процесс крайне ресурсозатратный, и на бюджете кроме как простые сетки пощупать не выйдет.

Ещё один пример. В одно время мне в руки попала книга по FastAI. Книга очень забавная, и, насколько я могу судить, смысл именно этого фреймворка заключается в том, чтобы дать конечному пользователю возможность простой и быстрой настройки уже предобученной нейронной сети, её нескольких слоёв. Смысл в том, чтобы сделать концепты нейронных сетей более доступными и не требующими первоклассного образования. В том, чтобы даже школьник мог заглянуть в эти процессы и, может быть, даже что-то для себя усвоить.

На ютьюбе также можно запросто найти по fastai лекции с кагла. Очень забавно послушать и определиться с тем, куда сейчас всё это движется. Ссылочка на ютьюб: https://www.youtube.com/watch?v=0oyCUWLL_fU

По идее, кортикоспинальные пути так и работают. Они просто сканируют пространство на определённые элементы – камни, горки, ямы, лесенки, лёд, вес тела, одежда, ветер, и они начинают на них компенсировать. При этом сама основная модель компенсации уже передана генами, и есть лишь небольшая возможность настройки модели под конкретные условия жизни индивидуума через нейросетевой дарвинизм либо же лёгкие процессы нейрогенеза. При этом также эти модели можно и поломать, и, будучи сильно разрушенными, они вообще человеческое тело постурального контроля по факту-то и лишают. Также забавно то, что, например, астронавты всё так же развивают атаксию и спастические паттерны в условиях невесомости, а это прямо говорит о том, что пережимка этих сеток под условия жизни идёт постоянно.

Вот ещё один примерчик с ютьюба, и в этот раз это пример GAN: https://forum.jovian.ai/forum/c/pytorch-zero-to-gans/18. GAN – это генеративные нейронные сети. Сети, что могут не просто научиться воспринимать и классифицировать сложные виды информации, но ещё будут способны что-то создавать на базе обучения.

Вообще, сейчас очень много самой разнообразной литературы на темы глубокого машинного обучения, DS, DE, и я бы вам, мой дорогой читатель, крайне рекомендовал ознакомиться с этими темами хотя бы поверхностно.